Vraagplanning gaat verder dan alleen het voorspellen van productbehoeften; het gaat erom ervoor te zorgen dat uw bedrijf nauwkeurig, efficiënt en kosteneffectief aan de vraag van klanten voldoet. De nieuwste technologie voor vraagplanning pakt belangrijke uitdagingen aan, zoals nauwkeurigheid van voorspellingen, voorraadbeheer en marktresponsiviteit. In deze blog introduceren we kritieke trends voor vraagplanning, waaronder datagestuurde inzichten, probabilistische voorspellingen, consensusplanning, voorspellende analyses, scenariomodellering, realtime zichtbaarheid en multilevel voorspellingen. Deze trends helpen u om voorop te blijven lopen, uw toeleveringsketen te optimaliseren, kosten te verlagen en de klanttevredenheid te verbeteren, waardoor uw bedrijf op de lange termijn succesvol wordt.

Datagestuurde inzichten

Geavanceerde analyses, machine learning en kunstmatige intelligentie (AI) worden integraal onderdeel van vraagplanning. Technologieën zoals Smart UP&O stellen bedrijven in staat om complexe datasets te analyseren, patronen te identificeren en nauwkeurigere voorspellingen te doen. Deze verschuiving naar datagestuurde inzichten helpt bedrijven om snel te reageren op marktveranderingen, voorraadtekorten te minimaliseren en overtollige voorraad te verminderen.

Probabilistic Forecasting

Probabilistische voorspellingen richten zich op het voorspellen van een reeks mogelijke uitkomsten in plaats van één enkel getal. Deze trend is met name belangrijk voor het beheren van onzekerheid en risico bij vraagplanning. Het helpt bedrijven zich voor te bereiden op verschillende vraagscenario's, het verbeteren van voorraadbeheer en het verminderen van de kans op voorraadtekorten of overvoorraad.

Consensusvoorspelling

Moderne productie beweegt richting een geïntegreerde aanpak waarbij afdelingen en belanghebbenden nauwer samenwerken. Samenwerkende prognoses omvatten het delen van inzichten in de hele toeleveringsketen, van leveranciers tot distributeurs en interne teams. Deze aanpak doorbreekt silo's en zorgt ervoor dat iedereen naar een gemeenschappelijk doel toewerkt, wat leidt tot een meer gesynchroniseerde en efficiënte toeleveringsketen.

Voorspellende en prescriptieve analyses

Predictive analytics voorspelt toekomstige uitkomsten op basis van historische data en trends, waardoor bedrijven vraagschommelingen kunnen anticiperen. Smart Demand Planner (SDP) automatiseert bijvoorbeeld prognoses om voorraad- en productieniveaus dienovereenkomstig aan te passen.

Prescriptieve analyses gaan verder door bruikbare aanbevelingen te bieden. Smart Inventory Planning and Optimization (IP&O) schrijft bijvoorbeeld optimale voorraadbeleidsregels voor op basis van serviceniveaus, kosten en risico's. Samen maken deze tools proactieve besluitvorming mogelijk, waardoor bedrijven hun reacties op toekomstige uitdagingen kunnen voorspellen en optimaliseren.

Scenariomodellering

Scenariomodellering wordt een belangrijk onderdeel van vraagplanning, waardoor bedrijven verschillende scenario's kunnen simuleren en hun impact op de bedrijfsvoering kunnen beoordelen. Deze methode helpt bedrijven aanpasbare strategieën te creëren om onzekerheden effectief aan te pakken. Smart IP&O verbetert deze mogelijkheid door Wat als scenario's waarmee gebruikers verschillende voorraadbeleidsregels kunnen testen voordat ze worden geïmplementeerd. Door variabelen zoals serviceniveaus of bestelhoeveelheden aan te passen, kunnen bedrijven de effecten op kosten en serviceniveaus visualiseren, waardoor ze de optimale strategie kunnen selecteren om risico's te minimaliseren en kosten te beheersen.

Realtime zichtbaarheid

Naarmate toeleveringsketens globaler en onderling verbonden worden, is realtime inzicht in inventaris en toeleveringsketenactiviteiten cruciaal. Verbeterde samenwerking met leveranciers en distributeurs, gecombineerd met realtimegegevens, stelt bedrijven in staat om snellere, beter geïnformeerde beslissingen te nemen. Dit helpt voorraadniveaus te optimaliseren, doorlooptijden te verkorten en de algehele veerkracht van de toeleveringsketen te verbeteren.

Meervoudige prognose

Dit omvat prognoses op verschillende niveaus van de producthiërarchie, zoals individuele items, productfamilies of zelfs hele productlijnen. Multilevel-prognoses zijn essentieel voor bedrijven met complexe productportfolio's, omdat ze ervoor zorgen dat prognoses nauwkeurig zijn op zowel micro- als macroniveau.

Vraagplanning is een doorslaggevend aspect van modern supply chain management, dat bedrijven de mogelijkheid biedt om de operationele efficiëntie te verbeteren, kosten te verlagen en beter te voldoen aan de vraag van klanten. Door geavanceerde platforms zoals Smart IP&O te benutten, worden de nauwkeurigheid van voorspellingen en het voorraadbeheer aanzienlijk verbeterd, waardoor snelle reacties op marktschommelingen mogelijk zijn. Geautomatiseerde statistische voorspellingen, gecombineerd met mogelijkheden zoals hiërarchievoorspellingen en voorspellingsoverschrijdingen, zorgen ervoor dat voorspellingen nauwkeurig en aanpasbaar zijn, wat leidt tot realistischere planningsbeslissingen. Bovendien kunnen bedrijven met hulpmiddelen zoals scenariomodellering verschillende vraagscenario's in hun producthiërarchie verkennen, wat geïnformeerde besluitvorming mogelijk maakt door inzicht te bieden in mogelijke uitkomsten en risico's. Deze aanpak stelt bedrijven in staat om de impact van beleidswijzigingen te anticiperen, betere beslissingen te nemen en uiteindelijk hun voorraad en algehele supply chain management te optimaliseren, waarbij ze op de hoogte blijven van belangrijke trends in het proces.

In deze blog analyseren we de automatische prognoses voor vraagprojecties in tijdreeksen, waarbij we ons concentreren op de belangrijkste technieken, uitdagingen en best practices. Er zijn meerdere methoden om de toekomstige vraag naar een artikel te voorspellen, en dit wordt complex als het om duizenden artikelen gaat, die elk een andere voorspellingstechniek vereisen vanwege hun unieke vraagpatronen. Sommige artikelen hebben een stabiele vraag, andere vertonen een stijgende of dalende trend en sommige vertonen seizoensinvloeden. Het selecteren van de juiste methode voor elk item kan overweldigend zijn. Hier onderzoeken we hoe automatische prognoses dit proces vereenvoudigen.

Automatische prognoses worden van fundamenteel belang bij het beheren van grootschalige vraagprojecties. Met duizenden items is het handmatig selecteren van een prognosemethode voor elk item onpraktisch. Automatische prognoses maken gebruik van software om deze beslissingen te nemen, waardoor nauwkeurigheid en efficiëntie in het prognoseproces worden gegarandeerd. Het belang ervan ligt in het vermogen om complexe, grootschalige prognosebehoeften efficiënt af te handelen. Het elimineert de noodzaak van handmatige selectie, waardoor tijd wordt bespaard en fouten worden verminderd. Deze aanpak is vooral nuttig in omgevingen met uiteenlopende vraagpatronen, waarbij voor elk artikel mogelijk een andere prognosemethode nodig is.

Belangrijke overwegingen voor effectieve prognoses

1. Uitdagingen van handmatige prognoses:
   • Onhaalbaarheid: het handmatig kiezen van prognosemethoden voor duizenden items is onbeheersbaar.
   • Inconsistentie: Menselijke fouten kunnen leiden tot inconsistente en onnauwkeurige voorspellingen.
2. Criteria voor methodeselectie:
   • Foutmeting: Het primaire criterium voor het selecteren van een voorspellingsmethode is de typische voorspellingsfout, gedefinieerd als het verschil tussen voorspelde en werkelijke waarden. Deze fout wordt gemiddeld over de prognosehorizon (bijvoorbeeld maandelijkse prognoses over een jaar).
   • Holdout-analyse: deze techniek simuleert het proces van wachten tot een jaar is verstreken door enkele historische gegevens te verbergen, voorspellingen te doen en vervolgens de verborgen gegevens te onthullen om fouten te berekenen. Dit helpt bij het kiezen van de beste methode in realtime.
3. Prognose toernooi:
   • Methodevergelijking: Verschillende methoden concurreren om elk item te voorspellen, waarbij de methode de laagste gemiddelde fout oplevert.
   • Parameterafstemming: Elke methode wordt getest met verschillende parameters om de optimale instellingen te vinden. Eenvoudige exponentiële afvlakking kan bijvoorbeeld worden geprobeerd met verschillende wegingsfactoren.

De algoritmen achter effectieve automatische prognoses

Automatische prognoses zijn zeer rekenkundig, maar haalbaar met moderne technologie. Het proces omvat:

• Gegevenssegmentatie: Door historische gegevens in segmenten te verdelen, kunt u verschillende aspecten van historische gegevens beheren en benutten voor nauwkeurigere prognoses. Voor een product met een seizoensgebonden vraag kunnen de gegevens bijvoorbeeld worden gesegmenteerd op basis van seizoenen om seizoensspecifieke trends en patronen vast te leggen. Door deze segmentatie kunnen voorspellers effectiever voorspellingen maken en testen.
• Herhaalde simulaties: Het gebruik van glijdende simulaties houdt in dat voorspellingen over verschillende perioden herhaaldelijk worden getest en verfijnd. Deze methode valideert de nauwkeurigheid van voorspellingsmethoden door ze toe te passen op verschillende gegevenssegmenten. Een voorbeeld is de glijdende-venstermethode, waarbij een venster met een vaste grootte door de tijdreeksgegevens beweegt en voor elke positie voorspellingen wordt gegenereerd om de prestaties te evalueren.
• Parameteroptimalisatie: Parameteroptimalisatie omvat het uitproberen van meerdere varianten van elke prognosemethode om de best presterende te vinden. Door parameters aan te passen, zoals de afvlakkingsfactor bij exponentiële afvlakkingsmethoden of het aantal eerdere waarnemingen in ARIMA-modellen, kunnen voorspellers modellen verfijnen om de prestaties te verbeteren.

In onze software laten we bijvoorbeeld verschillende prognosemethoden met elkaar concurreren om de beste prestaties op een bepaald item. Kennis van automatische prognoses wordt onmiddellijk overgedragen op Simple Moving Average, lineair voortschrijdend gemiddelde, Single Exponential Smoothing, Double Exponential Smoothing, Winters' Exponential Smoothing en Promo-voorspellingen. Deze competitie zorgt ervoor dat de meest geschikte methode wordt geselecteerd op basis van empirisch bewijs, en niet op basis van subjectief oordeel. De winnaar van het toernooi komt het dichtst in de buurt van het voorspellen van nieuwe gegevenswaarden uit oude gegevens. De nauwkeurigheid wordt gemeten aan de hand van de gemiddelde absolute fout (dat wil zeggen de gemiddelde fout, waarbij eventuele mintekens worden genegeerd). Het gemiddelde wordt berekend over een reeks voorspellingen, waarbij elk een deel van de gegevens gebruikt, in een proces dat bekend staat als glijdende simulatie. eerder uitgelegd in een eerdere blog.

Methoden die worden gebruikt bij automatische prognoses

Normaal gesproken zijn er zes extrapolatieve voorspellingsmethoden die meedoen aan het automatische voorspellingstoernooi:

• Eenvoudig voortschrijdend gemiddelde
• Lineair voortschrijdend gemiddelde
• Enkele exponentiële afvlakking
• Dubbele exponentiële afvlakking
• Additieve versie van Winters' exponentiële afvlakking
• Multiplicatieve versie van Winters' exponentiële afvlakking

De laatste twee methoden zijn geschikt voor seizoensreeksen; ze worden echter automatisch uitgesloten van het toernooi als er minder dan twee volledige seizoenscycli met gegevens zijn (bijvoorbeeld minder dan 24 perioden met maandelijkse gegevens of acht perioden met driemaandelijkse gegevens). Deze zes klassieke, op afvlakking gebaseerde methoden hebben bewezen gemakkelijk te begrijpen, eenvoudig te berekenen en nauwkeurig te zijn. Je kunt elk van deze methoden uitsluiten van het toernooi als je een voorkeur hebt voor sommige deelnemers en niet voor andere.

Automatische prognoses voor tijdreeksgegevens zijn essentieel voor het efficiënt en nauwkeurig beheren van grootschalige vraagprojecties. Bedrijven kunnen een betere voorspellingsnauwkeurigheid bereiken en hun planningsprocessen stroomlijnen door de selectie van voorspellingsmethoden te automatiseren en technieken zoals holdout-analyse en voorspellingstoernooien te gebruiken. Het omarmen van deze geavanceerde voorspellingstechnieken zorgt ervoor dat bedrijven voorop blijven lopen in dynamische marktomgevingen en weloverwogen beslissingen nemen op basis van betrouwbare gegevensprojecties.

In deze blog sturen we het gesprek in de richting van het transformatieve potentieel van technologie op het gebied van voorraadbeheer. De discussie draait om de beperkingen van eenvoudig denken bij het beheren van voorraadbeheerprocessen en de noodzaak van het adopteren van systematische softwareoplossingen. Dr. Tom Willemain benadrukt het contrast tussen Smart Software en de basale, zij het comfortabele, benaderingen die doorgaans door veel bedrijven worden toegepast. Deze elementaire methoden, die vaak de voorkeur genieten vanwege hun gebruiksgemak en nulkosten, worden onder de loep genomen vanwege hun tekortkomingen bij het aanpakken van de dynamische uitdagingen van voorraadbeheer.

​

Het belang van dit onderwerp ligt in de cruciale rol die voorraadbeheer speelt in de operationele efficiëntie van een bedrijf en de directe impact ervan op klanttevredenheid en winstgevendheid. Dr. Tom Willemain wijst op de veelvoorkomende valkuilen van het vertrouwen op te eenvoudige vuistregels, zoals het grillige kinderrijmpje dat door een bedrijf wordt gebruikt om de herschikkingspunten te bepalen, of de onderbuikgevoel-methode, die afhangt van niet-kwantificeerbare intuïtie in plaats van van gegevens. Hoewel deze benaderingen aantrekkelijk zijn in hun eenvoud, slagen ze er niet in zich aan te passen aan marktschommelingen, de betrouwbaarheid van leveranciers of veranderingen in de vraag, waardoor aanzienlijke risico's voor het bedrijf ontstaan. De video bekritiseert ook de praktijk van het vaststellen van herschikkingspunten op basis van veelvouden van de gemiddelde vraag, waarbij de minachting voor de volatiliteit van de vraag wordt benadrukt, een fundamentele overweging in de voorraadtheorie.

Concluderend pleit de presentator voor een meer geavanceerde, datagestuurde benadering van voorraadbeheer. Door gebruik te maken van geavanceerde softwareoplossingen zoals die van Smart Software, kunnen bedrijven complexe vraagpatronen nauwkeurig modelleren en voorraadregels stresstesten aan de hand van talloze toekomstscenario's. Deze wetenschappelijke methode maakt het mogelijk om bestelpunten in te stellen die rekening houden met de reële variabiliteit, waardoor het risico op voorraadtekorten en de daaraan verbonden kosten worden geminimaliseerd. De video benadrukt dat, hoewel eenvoudige heuristieken verleidelijk kunnen zijn vanwege hun gebruiksgemak, ze niet geschikt zijn voor de huidige dynamische marktomstandigheden. De presentator moedigt kijkers aan om technologische oplossingen te omarmen die professionele nauwkeurigheid en aanpassingsvermogen bieden en duurzaam zakelijk succes garanderen.

Software voor vraagplanning en statistische prognoses speelt een cruciale rol in effectief bedrijfsbeheer door functies te integreren die de nauwkeurigheid van prognoses aanzienlijk verbeteren. Een belangrijk aspect is het gebruik van op afvlakking gebaseerde of extrapolatieve modellen, waardoor bedrijven snel voorspellingen kunnen doen die uitsluitend op historische gegevens zijn gebaseerd. Deze basis, geworteld in prestaties uit het verleden, is cruciaal voor het begrijpen van trends en patronen, vooral in variabelen zoals verkoop of productvraag. Voorspellingssoftware gaat verder dan louter data-analyse door de combinatie van professioneel oordeel met statistische voorspellingen mogelijk te maken, waarbij wordt erkend dat prognoses geen one-size-fits-all proces zijn. Deze flexibiliteit stelt bedrijven in staat menselijke inzichten en sectorkennis in het voorspellingsmodel op te nemen, waardoor een genuanceerdere en nauwkeurigere voorspelling wordt gegarandeerd.

Functies zoals het voorspellen van meerdere artikelen als groep, het rekening houden met promotiegestuurde vraag en het omgaan met intermitterende vraagpatronen zijn essentiële mogelijkheden voor bedrijven die te maken hebben met uiteenlopende productportfolio's en dynamische marktomstandigheden. Een juiste implementatie van deze toepassingen geeft bedrijven de beschikking over veelzijdige prognosetools, die aanzienlijk bijdragen aan geïnformeerde besluitvorming en operationele efficiëntie.

Extrapolatieve modellen

Onze oplossingen voor vraagvoorspelling ondersteunen een verscheidenheid aan voorspellingsbenaderingen, waaronder extrapolatieve of op afvlakking gebaseerde voorspellingsmodellen, zoals exponentiële afvlakking en voortschrijdende gemiddelden. De filosofie achter deze modellen is eenvoudig: ze proberen zich herhalende patronen in de historische gegevens te detecteren, kwantificeren en in de toekomst te projecteren.

  Er zijn twee soorten patronen die in de historische gegevens kunnen worden aangetroffen:

• Trend
• Seizoensgebondenheid

Deze patronen worden in de volgende afbeelding geïllustreerd, samen met willekeurige gegevens.

Ter illustratie van trend-, seizoens- en willekeurige tijdreeksgegevens

Als het patroon een trend is, schatten extrapolatieve modellen zoals dubbele exponentiële afvlakking en lineair voortschrijdend gemiddelde het tempo van de stijging of daling van het niveau van de variabele en projecteren dat tempo naar de toekomst.

Als het patroon seizoensgebonden is, schatten modellen zoals Winters en drievoudige exponentiële afvlakking seizoensvermenigvuldigers of seizoensgebonden optellingsfactoren en passen deze vervolgens toe op projecties van het niet-seizoensgebonden deel van de gegevens.

Heel vaak, vooral bij gegevens over detailhandelsverkopen, zijn zowel trend- als seizoenspatronen betrokken. Als deze patronen stabiel zijn, kunnen ze worden benut om zeer nauwkeurige voorspellingen te doen.

Soms zijn er echter geen duidelijke patronen, zodat de plots van de gegevens op willekeurige ruis lijken. Soms zijn patronen duidelijk zichtbaar, maar ze veranderen in de loop van de tijd en er kan niet op worden vertrouwd dat ze zich herhalen. In deze gevallen proberen de extrapolatieve modellen geen patronen te kwantificeren en te projecteren. In plaats daarvan proberen ze de ruis te middelen en goede schattingen te maken van het midden van de verdeling van gegevenswaarden. Deze typische waarden worden dan de voorspellingen. Wanneer gebruikers een historisch plot met veel ups en downs zien, maken ze zich soms zorgen omdat de voorspelling deze ups en downs niet repliceert. Normaal gesproken hoeft dit geen reden tot bezorgdheid te zijn. Dit gebeurt wanneer de historische patronen niet sterk genoeg zijn om het gebruik van een voorspellingsmethode te rechtvaardigen die het patroon repliceert. U wilt er zeker van zijn dat uw prognoses niet lijden onder het “wiebeleffect” dat hierin wordt beschreven blogpost.

Het verleden als voorspeller van de toekomst

De belangrijkste aanname die inherent is aan extrapolatieve modellen is dat het verleden een goede leidraad is voor de toekomst. Deze veronderstelling kan echter mislukken. Sommige historische gegevens kunnen verouderd zijn. De gegevens kunnen bijvoorbeeld een bedrijfsomgeving beschrijven die niet meer bestaat. Of de wereld die het model vertegenwoordigt, kan binnenkort veranderen, waardoor alle gegevens overbodig worden. Vanwege dergelijke complicerende factoren zijn de risico's van extrapolatieve voorspellingen kleiner als er slechts korte tijd in de toekomst wordt voorspeld.

Extrapolatieve modellen hebben het praktische voordeel dat ze goedkoop zijn en gemakkelijk te bouwen, te onderhouden en te gebruiken. Ze vereisen alleen nauwkeurige registraties van waarden uit het verleden van de variabelen die u moet voorspellen. Naarmate de tijd verstrijkt, voegt u eenvoudigweg de nieuwste gegevenspunten toe aan de tijdreeks en maakt u een nieuwe voorspelling. De hieronder beschreven causale modellen vereisen daarentegen meer denkwerk en meer gegevens. De eenvoud van extrapolatieve modellen wordt het meest op prijs gesteld als u met een enorm voorspellingsprobleem kampt, zoals het maken van nachtelijke prognoses van de vraag naar alle 30.000 artikelen die in een magazijn op voorraad zijn.

Oordelende aanpassingen

Extrapolatieve modellen kunnen met Demand Planner volledig automatisch worden uitgevoerd, zonder dat tussenkomst vereist is. Causale modellen vereisen inhoudelijk oordeel voor een verstandige selectie van onafhankelijke variabelen. Beide soorten statistische modellen kunnen echter worden verbeterd door oordelende aanpassingen. Beiden kunnen profiteren van uw inzichten.

Zowel causale als extrapolatieve modellen zijn gebaseerd op historische gegevens. Het is echter mogelijk dat u over aanvullende informatie beschikt die niet wordt weerspiegeld in de cijfers in het historische record. U weet bijvoorbeeld misschien dat de concurrentieomstandigheden binnenkort zullen veranderen, misschien als gevolg van prijskortingen of trends in de sector, of de opkomst van nieuwe concurrenten, of de aankondiging van een nieuwe generatie van uw eigen producten. Als deze gebeurtenissen plaatsvinden tijdens de periode waarvoor u voorspellingen doet, kunnen ze de nauwkeurigheid van puur statistische voorspellingen aantasten. Met de grafische aanpassingsfunctie van Smart Demand Planner kunt u deze extra factoren in uw prognoses opnemen via het proces van grafische aanpassing op het scherm.

Houd er rekening mee dat het toepassen van gebruikersaanpassingen op de prognose een tweesnijdend zwaard is. Als het op de juiste manier wordt gebruikt, kan het de nauwkeurigheid van voorspellingen verbeteren door gebruik te maken van een rijkere reeks informatie. Als het promiscue wordt gebruikt, kan het extra ruis aan het proces toevoegen en de nauwkeurigheid verminderen. Wij raden u aan spaarzaam om te gaan met oordelende aanpassingen, maar nooit blindelings de voorspellingen van een puur statistische voorspellingsmethode te aanvaarden. Het is ook erg belangrijk om de verwachte toegevoegde waarde te meten. Dat wil zeggen de waarde die door elke incrementele stap aan het prognoseproces wordt toegevoegd. Als u bijvoorbeeld aanpassingen toepast op basis van bedrijfskennis, is het belangrijk om te meten of deze aanpassingen waarde toevoegen door de nauwkeurigheid van de prognoses te verbeteren. Smart Demand Planner ondersteunt het meten van de verwachte toegevoegde waarde door elke overwogen prognose bij te houden en de nauwkeurigheidsrapporten van de prognoses te automatiseren. U kunt statistische prognoses selecteren, de fouten ervan meten en deze vergelijken met de overschreven voorspellingen. Door dit te doen informeert u het prognoseproces, zodat in de toekomst betere beslissingen kunnen worden genomen. 

Voorspellingen op meerdere niveaus

Een andere veel voorkomende situatie betreft prognoses op meerdere niveaus, waarbij er meerdere items als groep worden voorspeld of er zelfs meerdere groepen kunnen zijn, waarbij elke groep meerdere items bevat. We zullen dit soort prognoses over het algemeen Multilevel Forecasting noemen. Het belangrijkste voorbeeld is de productlijnprognose, waarbij elk artikel lid is van een artikelfamilie en het totaal van alle artikelen in de familie een betekenisvolle hoeveelheid is.

U heeft bijvoorbeeld, zoals in de volgende afbeelding, mogelijk een lijn tractoren en u wilt verkoopprognoses voor elk type tractor en voor de gehele tractorlijn.

Ter illustratie van productprognoses op meerdere niveaus

 Smart Demand Planner biedt roll-up/roll-down-prognoses. Deze functie is cruciaal voor het verkrijgen van uitgebreide prognoses van alle productartikelen en hun groepstotaal. De Roll Down/Roll Up-methode binnen deze functie biedt twee opties voor het verkrijgen van deze prognoses:

Samenvatten (Bottom-Up): Deze optie voorspelt in eerste instantie elk item afzonderlijk en voegt vervolgens de prognoses op itemniveau samen om een prognose op familieniveau te genereren.

Roll-down (van boven naar beneden): Als alternatief begint de roll-down-optie met het vormen van het historische totaal op familieniveau, voorspelt het en wijst het totaal vervolgens proportioneel toe tot op itemniveau.

Wanneer u Roll Down/Roll Up gebruikt, heeft u toegang tot het volledige scala aan prognosemethoden van Smart Demand Planner, zowel op artikel- als op familieniveau. Dit zorgt voor flexibiliteit en nauwkeurigheid bij het voorspellen, waarbij wordt voldaan aan de specifieke behoeften van uw bedrijf op verschillende hiërarchische niveaus.

Onderzoek naar prognoses heeft geen duidelijke voorwaarden geschapen die de voorkeur geven aan een top-down- of bottom-up-benadering van prognoses. De bottom-up benadering lijkt echter de voorkeur te hebben als de geschiedenis van items stabiel is en de nadruk ligt op de trends en seizoenspatronen van de individuele items. Top-down is normaal gesproken een betere keuze als sommige items een zeer luidruchtige geschiedenis hebben of als de nadruk ligt op prognoses op groepsniveau. Omdat Smart Demand Planner het snel en gemakkelijk maakt om zowel een bottom-up als een top-down benadering te proberen, moet u beide methoden proberen en de resultaten vergelijken. U kunt de functie 'Hold back on Current' van Smart Demand Planner in 'Prognose vs. Actueel' gebruiken om beide benaderingen op uw eigen gegevens te testen en te zien welke een nauwkeurigere voorspelling voor uw bedrijf oplevert. 

In deze videoblog onderzoeken we de integrale rol die voorraadmodellen spelen bij het vormgeven van de besluitvormingsprocessen van professionals in verschillende sectoren. Deze modellen, of het nu tastbare computersimulaties zijn of immateriële mentale constructies, dienen als cruciale hulpmiddelen bij het beheersen van de complexiteit van moderne zakelijke omgevingen. De discussie begint met een overzicht van hoe deze modellen worden gebruikt om resultaten te voorspellen en activiteiten te stroomlijnen, waarbij de relevantie ervan in een voortdurend evoluerend marktlandschap wordt benadrukt.

De discussie onderzoekt verder hoe verschillende modellen strategische besluitvormingsprocessen duidelijk beïnvloeden. De mentale modellen die professionals door ervaring ontwikkelen, vormen bijvoorbeeld vaak een leidraad voor de eerste reacties op operationele uitdagingen. Deze modellen zijn subjectief en opgebouwd op basis van persoonlijke inzichten en ervaringen uit het verleden met vergelijkbare situaties, waardoor snelle, intuïtieve besluitvorming mogelijk is. Aan de andere kant bieden computergebaseerde modellen een objectiever raamwerk. Ze gebruiken historische gegevens en algoritmische berekeningen om toekomstige scenario's te voorspellen en bieden zo een kwantitatieve basis voor beslissingen waarbij rekening moet worden gehouden met meerdere variabelen en mogelijke uitkomsten. In dit gedeelte worden specifieke voorbeelden belicht, zoals de impact van het aanpassen van bestelhoeveelheden op voorraadkosten en bestelfrequentie of de effecten van fluctuerende doorlooptijden op serviceniveaus en klanttevredenheid.

Concluderend: terwijl mentale modellen een raamwerk bieden dat is gebaseerd op ervaring en intuïtie, bieden computermodellen een gedetailleerder en getalsmatig perspectief. Het combineren van beide typen modellen zorgt voor een robuuster besluitvormingsproces, waarbij theoretische kennis in evenwicht wordt gebracht met praktische ervaring. Deze aanpak vergroot het inzicht in de voorraaddynamiek en geeft professionals de tools in handen om zich effectief aan veranderingen aan te passen, waardoor duurzaamheid en concurrentievermogen op hun respectieve vakgebieden worden gewaarborgd.